GPT-4.5-Funktionsanruf Tutorial: Aktienkurse und Nachrichten mit KI extrahieren

Große Sprachmodelle (LLMs) haben häufig Schwierigkeiten, strukturierte Outputs wie JSON zuverlässig zu produzieren, selbst mit fortgeschrittener Aufforderung. Während prompt Engineering hilft, ist es nicht perfekt und führt zu gelegentlichen Fehlern. Dieses Tutorial zeigt, wie Funktionen in LLMs genaue, konsistente strukturierte Daten sicherstellen.

Funktionsaufrufs können strukturierte Daten (normalerweise JSON) generieren und mit externen Systemen, APIs und Tools interagieren, wodurch komplexe, kontextbewusste Aufgaben ermöglicht werden und gleichzeitig die Genauigkeit aufrechterhalten werden. Wir werden GPT-4,5 verwenden, der für seine Genauigkeit bekannt ist, um ein funktionierendes Skript zu erstellen. Zunächst erstellen wir eine Funktion, um Aktienkurse zu erzielen. Dann fügen wir einen weiteren hinzu, damit die LLM basierend auf der Eingabeaufforderung zwischen mehreren Tools auswählen kann. Die endgültige Bewerbung bietet Aktienkurse und Newsfeeds.

Bild vom Autor

Die Funktionsberufung von GPT-4.5-Funktionen: Vorteile:

GPT-4.5 verbessert die Funktionsaufrufe und verbessert die Interaktion mit externen Systemen und komplexer Aufgabenbehandlungen. Zu den wichtigsten Funktionen gehören:

1. API -Integration: Arbeitet mit Chat -Abschlüssen, Assistenten und Batch -APIs für die nahtlose Anwendungsintegration.
2. Strukturierte Ausgänge: Rendite Structured Data (JSON), ideal für die Interaktion mit Systemen, die spezifische Datenformate benötigen.
3. Vision -Funktionen: Akzeptiert Bildeingaben (obwohl keine multimodalen Ausgänge wie Video oder Audio).
4. Erweiterte Funktionen: vereinfacht komplexe Workflows, indem Sie Funktionen in Ihrem Code vorschlagen oder aufrufen, Aufgaben automatisieren und KI-Entscheidungsfindung integrieren.

(Weitere Informationen zum OpenAI-Modell finden Sie im Blog "GPT 4.5: Features, Access, GPT-4O-Vergleich & More".)

Einzelfunktion Aufruf (Aktienkurs):

Wir werden ein einfaches System mit GPT-4.5 und der yahooquery Bibliothek (für Yahoo-Finanzdaten) erstellen. Benutzer fragen nach Aktienkursen und lösen eine Funktion aus, um mit dem Preis abzurufen und zu reagieren.

1. Bibliotheken installieren:

    ! PIP Installation OpenAI YahooQuery -q

2. Aktienkursfunktion: Diese Python -Funktion nimmt ein Ticker -Symbol (z. B. AAPL) und gibt ihren Preis zurück.

    von Openai Import Openai
   JSON importieren
   vom Yahooquery Import Ticker
   
   Def get_stock_price (Ticker):
       versuchen:
           T = Ticker (Ticker)
           price_data = t.price
           Wenn Ticker in Price_Data und Price_Data [Ticker] .get ("regulärmarketprice") nicht:
               price = price_data [Ticker] ["regulärmarketprice"]
           anders:
               Rückgabe f "Preisinformationen für {Ticker} ist nicht verfügbar."
       außer Ausnahme als E:
           return f "Daten nicht abzurufen, die Daten für {Ticker}: {str (e)}" abrufen "
   
       Return f "{Ticker} handelt derzeit zu $ ​​{Preis: .2f}"

3. Definieren Sie das Tool: Wir erstellen eine Tool -Definition (Liste der Wörterbücher) für OpenAI und geben den Namen, die Beschreibung und den Ausgangstyp der Funktion an.

    Tools = [{{
       "Typ": "Funktion",
       "Funktion": {
           "Name": "get_stock_price",
           "Beschreibung": "Holen Sie sich den aktuellen Aktienkurs von Yahoo Finance.",
           "Parameter": {{
               "Typ": "Objekt",
               "Eigenschaften": {
                   "Ticker": {"Typ": "String"}
               },
               "Erforderlich": ["Ticker"],
               "zusätzliche Properties": Falsch
           },
           "streng": wahr
       }
   }]

4. Rufen Sie die Funktion auf: Wir senden eine Benutzernachricht an GPT-4.5 und geben das Modell und die Tools an.

    client = openai ()
   Messages = [{"Rolle": "Benutzer", "Inhalt": "Was ist der aktuelle Preis für Meta -Aktien?"}]
   Completion = client.chat.completions.create (model = "gpt-4.5-preview", messus = messing, tools = tools)
   print (completion.choices [0] .message.tool_calls) # zeigt Funktionsinformationen an

5. Führen und zurück ausführen: Wir extrahieren den Ticker, führen Sie get_stock_price aus und drucken Sie das Ergebnis. Dann verfeinern wir die Antwort, indem wir sie für die Formatierung natürlicher Sprache wieder an das Modell senden.

Multiple Funktionsanrufe (Aktienkurs und Nachrichten):

Wir fügen eine Funktion hinzu, um Aktiennachrichten mit der feedparser -Bibliothek abzurufen.

1. feedparser installieren:

    ! PIP Installieren Sie FeedParser -q

2. Aktienfunktion: Diese Funktion holt die drei wichtigsten Schlagzeilen für einen bestimmten Ticker.

    FeedParser importieren
   
   Def get_stock_news (Ticker):
       RSS_URL = F "https://feeds.finance.yahoo.com/rss/2.0/headline?s= <ticker versuchen: feed="feedParser.Parse" wenn nicht feed.entries: r f neuigkeiten gefunden. news_items="[f" die eingabe in feed.entries nachrichten n .join au ausnahme als e: return abrufen></ticker>

3. Definieren Sie mehrere Tools: Wir aktualisieren die tools -Liste, um beide Funktionen zu enthalten.

4. Modellauswahl: Wir stellen GPT-4.5 eine Frage, die beide Funktionen erfordert (z. B. "Google-Aktienkurs und Nachrichten"). GPT-4.5 wählt automatisch die entsprechenden Funktionen aus und ruft auf.

5. Ergebnishandhabung: Wir verarbeiten die Ergebnisse aus beiden Funktionen und verwenden möglicherweise eine bedingte Logik, die auf den vom LLM zurückgegebenen Funktionsnamen basiert. Die Ergebnisse werden dann für eine endgültige, menschlich lesbare Reaktion an die LLM zurückgegeben.

Abschluss:

Dieses Tutorial zeigt, wie Funktionsaufruf LLMs erstellt, um strukturierte Ausgänge zu generieren und mit externen Ressourcen zu interagieren. Dieser Ansatz verbessert die Zuverlässigkeit und Genauigkeit von LLM-gesteuerten Anwendungen und ebnet den Weg für ausgefeiltere KI-Systeme. Zukünftige Fortschritte wie GPT-5 versprechen in diesem Bereich noch größere Fähigkeiten. Die bereitgestellten Codeausschnitte können kombiniert und erweitert werden, um komplexere und leistungsfähigere Anwendungen zu erstellen.

Das obige ist der detaillierte Inhalt vonGPT-4.5-Funktionsanruf Tutorial: Aktienkurse und Nachrichten mit KI extrahieren. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!